基于高光譜成像技術的水稻葉片SPAD值及其分布問題研究

謝 靜，陳 適，王珺珂，李怡春，劉 夢，張 建＊

（1.華中農業大學理學院，武漢430070；2.華中農業大學資源與環境學院，武漢430070；3.農業部長江中下游耕地保育重點實驗室，武漢430070；4.國家測繪地理信息局第一地理信息制圖院，西安710054）

水稻是世界重要的糧食作物［1］.葉綠素是植物光合作用的主要色素，在植物生長中起著重要作用，其含量是植物營養脅迫、生長狀況的重要指示劑［2］.因此對水稻葉綠素含量的研究和預測對提高作物產量、實現精準農業有著極為重要的意義［3］.

傳統測量植物葉綠素含量的方法主要是通過化學測定，利用分光光度計計算得到較為準確的葉綠素值，但是該方法工作強度大，且對植株本身的破壞性較強；傳統無損測量方法中，利用SPAD儀直接測量是較為通用的一種方法，但當數據量較大時，依舊存在勞動強度大，人為干擾大等缺陷.高光譜成像技術將成像技術和高光譜技術融合在一起，在獲取被測物圖像信息的同時又獲取其光譜信息.具有多波段、高分辨率、光譜連續、圖譜合一等優點，在定量分析中有著強大的優勢.

近年來國內外的研究逐漸轉向通過高光譜成像技術來獲取植物生理參數，并取得了初步進展.劉殿偉等［4］對行道樹葉綠素含量進行了分析，并研究了葉綠素和高光譜植被指數的關系.SHI JiYong等［5］利用獨立分量法（ICA）方法提取高光譜圖像的獨立分量信號，再通過逐步線性回歸（SMLR）進行優選，最終建立了葉綠素回歸模型，得到葉綠素濃度分布.ZHAO Jiewen等［6］利用7種不同的算法從高光譜數據中提取相應的特征參數，并根據特征參數和葉綠素含量的參考測量值分別擬合出相應的預測模型.王偉等［7］利用原始光譜和一階差分光譜，同樣通過相關分析和逐步回歸分析得到優化的最優波長，最終得到反演模型.鄒小波等［8］利用高光譜圖像技術和高效液相色譜法（HPLC）快速檢測色素含量，并通過偏最小二乘法（PLS）進行了預測，效果較好，證明了PLS方法的可行性.

以往的研究多以單因子變量與葉綠素值之間的關系為研究對象，同時也得出了較多的回歸模型，但單一回歸模型對葉綠素的預測表達可能難以達到比較理想的效果.運用PLS模型和多個植被指數模型分別與SPAD值進行回歸分析，通過精度分析可以獲得一個較為精確的葉綠素預測模型.在此基礎上根據對此模型的反演可以獲得水稻葉片每個像素的SPAD值.基于上述思路，對所得到的圖像進行偽彩色配色后可以獲得水稻葉片葉綠素分布專題圖，該方法不僅更加細致的表現了葉片葉綠素分布的狀況，同時也為水稻的生長和健康狀況提供了直接的依據和更加科學的指導.

1 實驗材料

實驗用的水稻是2013年5月采集于華中農業大學植物科技學院試驗田，品種為嘉育948，種植采用常規培養.該試驗田位置為113°53＇E，29°58＇N，海拔小于50 m，屬于北亞熱帶季風性濕潤氣候，雨量較為充沛、日照充足、夏季濕熱、冬季寒冷、年均氣溫15.8℃～17.5℃.由于水稻的蒸騰作用十分旺盛，為了盡可能減少水分的蒸發對實驗造成的誤差，采集前，進行了大田設計：在13塊田塊中每個分塊隨機帶泥采集水稻，隨后立即放入培養皿中.本實驗共采集水稻14棵，葉片樣本84個.

2 數據的獲取及處理

2.1 SPAD值測定

實驗使用的葉綠素計SPAD－502由日本美能達公司制造，最大樣品厚度最大可達到1.2 mm，測量精度優于±1.0，重復性優于±0.3SPAD，完全達到水稻葉片測量的標準.該儀器測得的SPAD值通常被稱作葉色值.為了得到更準確的葉綠素反演模型，采用分段采集的方式.即從每株水稻中隨機選擇葉片，從葉尖開始測量，每測量一個點用記號筆在葉片上畫出SPAD502儀測量夾的邊緣，測量時在葉脈兩側各測量一次求取平均值，共獲得SPAD值252組.其中180組樣本作為校正集，72組樣本作為預測集.樣本的總體特征如表1.

表1 樣本的總體特征Tab.1 General characteristics of the leaves sample

2.2 高光譜數據采集與標定

本文實驗選用的高光譜成像光譜儀為美國Headwall Photonics公司設計制造的HyperSpec VNIR，同時搭配使用尼康鏡頭.光譜儀的成像光譜范圍為400 nm～1 000 nm（可見－近紅外），光譜分辨率為2 nm～3 nm.高光譜成像系統主要包括：成像光譜儀、移動控制平臺（由華中農業大學工程與技術學院設計制造）、光纖、計算機（接收和處理信號）、鹵光燈等，如圖1所示.

圖1 Headwall高光譜成像儀系統Fig.1 Headwall Hyperspectral image system

本實驗中成像儀鏡頭高度1 700 mm，光源300 mm，角度37°；控制平臺移動速度為2 mm／s；幀頻數為20fps；光圈選擇以物體最清晰為準.通過暗電流矯正和白板（成分為氧化鎂，硫酸鋇）矯正后將水稻標本平鋪于黑布之上.啟動裝置使平臺按設定速度移動，獲得水稻葉片的高光譜影像數據.

2.3 平均光譜提取

在ENVI中截取已經測量了SPAD值區域（約2 mm×3 mm）的ROI，并獲得兩邊的平均反射率信息，盡可能的使從兩邊截取的ROI所占的像元個數相同（像素個數約120個），如圖2所示.獲得的相關反射率曲線如圖3所示.

圖2 ROI選取示意圖Fig.2 ROI select

圖3 ROI統計Fig.3 ROI stats

從圖中可以看出，水稻葉片葉綠素在可見光部分有極為強烈的吸收帶，其中葉綠素在500 nm～520 nm和670 nm～690 nm兩個波段范圍內吸收峰最為明顯；而690 nm～750 nm反射率大幅上升.而在500 nm以下和800 nm以上的波段存在很大的噪聲，所以實驗保留了500 nm～800 nm間的光譜來進行研究，這段光譜也是對葉綠素影響比較大的波段.

3 研究方法

本研究采用偏最小二乘法和基于植被指數模型的方法進行葉片SPAD值的估測.建模數據為180組平均光譜和與此相對應的180組SPAD值，并用余下的72組數據來驗證模型的精度，回歸模型的擬合精度用R2和RMSE來度量：

其中，Yi為觀測值，ˉYi為觀測值的平均值，Y＾i為估計值，n為樣本數.

3.1 偏最小二乘回歸（PLS）［9］

PLS回歸與主成分回歸十分相近，但是主成分回歸首先將光譜數據分解為特征向量及得分矩陣，然后與因變量回歸，而PLS回歸在光譜數據分解的同時考慮到了因變量的信息，其建模方法如下，首先將因變量矩陣Y＝（yij）n×m和自變量矩陣X＝（xij）n×p分解成特征向量形式：

式中，U和T分別為X和Y的特征因子矩陣（n×d階，d為抽象組分數），Q（d×n階）和P（d×p階）分別為X和Y的載荷陣，F（m×n階）和E（n×p階）分別為Y和X的殘差陣.然后，PLS法根據特征向量的相關性分解Y和X，建立回歸模型：

式中，Ed為隨機誤差陣；B為d維對角回歸系數陣.建模時，PLS主成分的最佳維數d利用留一交叉驗證法確定，選取交叉驗證均方根誤差（RMSECV）最小時對應的維數為d.

3.2 植被指數與擬合模型

3.2.1 植被指數 在目前較為成熟的植被指數中選擇12種植被指數用于葉綠素反演：葉綠素吸收比指數（CARI）、差值植被指數（DVI）、增強型植被指數（EVI）、二次土壤調節植被指數（MSAVI2）、歸一化差值植被指數（NDVI）、垂直植被指數（PVI）、再歸一化植被指數（RDVI）、紅邊歸一化指數（RENDVI）、紅邊指數1（VOG1）、紅邊指數2（VOG2）、紅邊指數3（VOG3）等（詳見表2）.

表2 植被指數模型Tab.2 Vegetation index model

3.2.2 擬合模型 用12個植被指數分別與SPAD值進行回歸建模.常用的回歸模型主要包括一次線性模型、二次曲線模型、對數模型、指數模型等.本研究采用這4種回歸模型分別來擬合植被指數與SPAD值.

4 結果與分析

4.1 偏最小二乘回歸（PLS）

基于180組校正集和相對應的SPAD值進行PLS回歸，提取4個主成分，得到的回歸分析的結果如表3所示.

表3 PLS回歸預測SPAD值的精度和均方差Tab.3 Prediction accuracy by R and RMSE as criteria with PLS

4.2 植被指數模型

植被指數與SPAD值的相關系數如表4所示，比較認為相關系數的絕對值大于0.8為高度相關，忽略小于0.8的植被指數.用RENDVI，VOG1，VOG2，VOG3植被指數來獲得擬合模型.在MATLAB中用180組校正集與相對應的180組SPAD值得到葉綠素含量的反演模型，各個反演模型評價指數如表5，其中VOG1的二次曲線模型精度較高.同期對余下的72個預測集進行預測得到預測結果如表6，從表中可以看出VOG2的預測結果較為理想.

表4 植被指數與SPAD值的相關系數Tab.4 The correlation coefficient values of vegetation indices and SPAD

表5 植被指數反演模型校正集精度Tab.5 Vegetation index inversion model accuracy based on calibration set

表6 預測集的精度Tab.6 Accuracy based on prediction set

4.3 模型的對比與分析

偏最小二乘法和直接使用植被指數回歸兩種方法雖然均可估測葉片的SPAD值，但在精度上兩者有差別.從建模的角度來講，雖然使用植被指數比偏最小二乘法回歸精度低，但是兩者相差不大.然而從預測的角度來講，偏最小二乘回歸模型精度有所提高，而植被指數模型的精度卻大幅度下降.正是由于偏最小二乘回歸模型是將高光譜數據所有波段作為自變量進行建模，而植被指數只用了高光譜影像中的幾個波段，并沒有充分利用高光譜龐大的數據信息，導致模型精度不穩定.所以本實驗采用偏最小二乘回歸模型對葉片SPAD值進行反演.

5 水稻葉綠素葉面分布

基于偏最小二乘算法，結合MATLAB對高光譜圖像進行處理，可以得到空間域內水稻葉片每個像素點的反演葉綠素值，將這些像素點的反演葉綠素含量進行圖片生成和偽彩色處理，即可得到水稻葉片葉綠素含量分布圖.某葉片偽彩色顯示如圖4.不同的顏色代表不同的葉綠素值，越黑則葉綠素值越高，反之越小.葉綠集濃度沿著葉脈向兩側依次降低，葉片邊緣部分對應的為白色，葉綠素值接近0，其主要原因是葉片老化以及光的折射；濃度從首端到末端依次降低，在葉片中上部葉綠素值很高，這是葉片葉綠素集中的部分，是植物光合作用的主要部分.

圖4 水稻葉片葉綠素值分布Fig.4 distribution of Chlorophyll on the rice leaves

6 結論

通過對比偏最小二乘和植被指數兩種方法回歸模型的精度，發現植被指數回歸模型無論從建模還是預測角度來講，其精度都低于偏最小二乘回歸模型.偏最小二乘回歸模型校正集與預測集精度都能達到80%以上.最后，根據偏最小二乘回歸模型可以得到葉片上任意像素下的SPAD值，通過偽彩色處理描述了葉片的SPAD值分布，從圖中可以輕松讀取葉片任何部位的SPAD值，為接下來SPAD值分級的研究奠定了基礎，也為精準農業中的葉綠素測定提供了參考.

［1］ Chen H，Lin Y J，Zhang Q F.Review and prospect of transgenic rice research［J］.Chinese Science Bulletin 2009，54（22）：4049－4068.

［2］ Manetas Y，Grammatikopoulos G，Kyparissis A.The use of the portable，non－destructive，SPAD－502（Minolta）chlorophyll meter with leaves of varying trichome density and anthocyanin content［J］.Journal of Plant Physiology，1998，153（3）：513－516.

［3］ 蔣煥煜，應義斌，謝麗娟.光譜分析技術在作物生長信息檢測中的應用研究進展［J］.光譜學與光譜分析，2008，28（6）：1300－1304.

［4］ 劉殿偉，宋開山，張 柏.行道樹葉綠素變化的高光譜神經網絡模型［J］.生態學雜志，2006，25（3）：238－242.

［5］ Shi J Y，Zou X B，Zhao J W，et al.Measurement of chlorophyll distribution in cucumber leaves based on hyperspectral imaging technique［J］.Chinese Journal of Analytical Chem－istry，2011，2：023.

［6］ Zhao J W，Wang K L，Ou Yang Q，et al.Measurement of Chlorophyll Content and Distribution in Tea Plants Leaf U－sing Hyperspectral Imaging Technique［J］.Spectroscopy and Spectral Analysis，2011，31（2）：512－515.

［7］ 王 偉，彭彥昆，馬 偉，等.冬小麥葉綠素含量高光譜檢測技術［J］.農業機械學報，2010，41（5）：172－177.

［8］ 鄒小波，陳正偉，石吉勇，等.基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測［J］.農業機械學報，2012，43（5）：152－156.

［9］ 李曉松，李增元，高志海，等.基于NDVI與偏最小二乘回歸的荒漠化地區植被覆蓋度高光譜遙感估測［J］.中國沙漠，2011，31（1）：162－167.